影响最大化问题旨在从社交网络中找出能使信息扩散范围最广的Top-k个用户作为信息源发散信息。社交网络结构的多样化不断给影响最大化问题注入活力,让它在近二十年里经久不衰,一直是学术界的热门问题。本文从基于割点的社交网络影响最大化算法和通过优化网络结构实现影响最大化两个方面展开如下工作:（1）基于割点的社交网络影响最大化算法:现有算法主要关注于节点的特征,较少从社交网络的连通性角度来看待影响最大化问题。而割点作为连通分量间的桥梁,是连通性的核心。为此,本文综合考虑社交网络的节点特征和连通性,提出基于割点的启发式算法来求解影响最大化问题。该算法用度和连通分量评估节点的影响力,在一定程度上解决了影响力重叠的问题。基于传染病模型,本文在4个开源数据集上进行了相关实验。在算法对比实验中,基于割点的影响最大化算法在运行时间、影响传播范围和种子富集性指标中表现优异,验证了算法的实用性和有效性。（2）通过优化网络结构实现影响最大化:针对大多数研究人员只关注信息传播的开始（即挖掘信息源）,而忽略了传播的时效性,导致传播效果达不到预期。为了解决这个问题,本文从动态网络拓扑结构的角度研究了影响最大化的问题。并设计了一个动静态网络混合加边（Dynamic and Static Network Hybrid Edging,DSNHE）框架。该框架不仅可以解决动态网络中加边问题,而且可以解决静态网络中加边问题。框架主要思想:首先,本文在IMM（Influence Maximization via Martingales）算法的基础上提出了IMM++算法用于种子挖掘;然后,为了尽快地捕获网络的动态变化,本文采用建立影响集的方式来减少更新时间;最后,由于加边问题是#P-hard的,本文提出了一种新的加边策略,并在近线性时间内完成了加边工作。本文在多个真实数据集上进行了实验,验证了本文提出的策略和算法的有效性。